自從google的alphago引爆了人工智慧這個領域後,大量的人才開始湧入人工智慧領域,各大公司也都開始布局人工智慧方向。看乙個領域的火爆程度,直接看相關職位的招聘人數和平均薪酬即可。就拿各大公司的校招廣告來說,對於人才的爭奪也是蠻拼的。下圖是2023年企業校招的薪酬表:
在網際網路上也瘋傳如下的資料:
看到這樣的資料,我真的是相當慚愧,剛畢業的學生,ai方向的都是30萬年薪起步,這讓多年奮鬥在計算機行業的我情何以堪。羞愧之餘,內心也有點不服氣,既然這個領域前景這麼好,我為什麼不能轉向這個領域。
於是我也採取了行動。ai領域最火的無疑是深度學習,網上很多人推薦從李巨集毅的這份《deep learning tutorial》ppt入手。這份資料在網上流傳很廣,很容易的就找到了。接下來就是專心學習,看到這裡(如下圖)
感覺還是比較好理解的,然而看到這裡:
這都是啥東東?再往後看,就越看越懵了。去知乎、google兜了一圈,大家的觀點比較一致,進入ai領域需要有很好的數學基礎,入門的姿勢是從《線性代數》、《概率論》學起。
天哪!雖然大學裡也學過線性代數、概率論與數理統計的課程,可在當時就是學的就暈乎乎的,更何況過了這麼多年,完全沒有用過,要撿起來談何容易。面對這樣的現實,有點茫然,不知道該不該轉向機器學習領域。
最近讀了一本科幻**《三體》,裡面有一段有寫到,人類基礎科學被智子鎖死,無法取得進展,但人類並沒有停止進步,在工程方面獲得了長足發展,也建造出了龐大的太空艦隊(雖然在三體文明面前仍然不堪一擊)。由此聯想到人工智慧領域,演算法相當於人工智慧的基礎科學,人工智慧在各個行業中的應用則屬於工程領域,既然搞ai演算法是沒戲了,做做ai應用應該還是可以的吧。
其實基礎科學領域的進展是相當緩慢的,比如計算機結構直到今天還沒有突破馮·諾伊曼結構,要知道這可是在上世紀四十年代提出的。ai的科學基礎線性代數、概率論等在幾十年前就已經發展得非常完備,這裡面大量的知識都是在上世紀初建立的。
初步思考了一下,作為開發人員,ai領域界可分成下面幾個層級:
想明白了這一點後,我也只能加入第三類人群中排隊進場,能做乙個ai領域的碼農不也是挺好的嗎?
在做了一些功課之後,我決定從如下兩本書入手:
個人覺得將兩本書結合起來看比較好,所以在以後一段時間內我將同時學習這兩本書,如果學習中碰到什麼問題,有什麼心得,也會寫出來和大家分享。
機器學習相關領域
資料探勘 資料探勘 機器學習 資料庫。資料探勘僅僅是一種思考方式,告訴我們應該嘗試從資料中挖掘出知識,但不是每個資料都能挖掘出金子的,不要神話它。乙個系統絕對不會因為上了乙個資料探勘模組就變得無所不能,恰恰相反,乙個擁有資料探勘思維的人員才是關鍵,而且他還必須對資料有深刻的認識,這樣才可能從資料中匯...
機器學習 數學 機器學習涉及的數學知識
簡單總結 機器學習涉及的數學知識有 線性代數,概率論和統計學,多變數微積分,演算法和複雜優化,以及其他等。原文 在過去幾個月裡,有幾個人聯絡過我,說他們渴望進軍資料科學領域,使用機器學習 ml 技術探索統計規律,並打造資料驅動的完美產品。但是,據我觀察,一些人缺乏必要的數學直覺和框架,無法獲得有用的...
機器學習 數學基礎
scalar 標量 sunspot number dalton minimum exponentiation 指數化 資訊理論 對數函式 log2 sigmod 啟用函式 relu 啟用函式 vector 向量 vector space 向量空間 歐幾里德空間 笛卡爾座標系 極座標系 norm of...